华为昇腾路线图更新：960DT提前上市，NPO方案引领AI算力新变革

华为正以更快的步伐推进昇腾AI芯片的技术迭代，展现出在人工智能领域的强劲发展势头。

9月17日，备受瞩目的“第十一届华为全联接大会2026”在上海盛大启幕。会上，华为副董事长、轮值董事长汪涛带来重磅消息：昇腾960芯片的研发进展远超预期，性能实现了大幅提升。其中，960DT的上市时间比原计划大幅提前三个季度，预计在2027年一季度就能与大家见面；960PR也比原计划提前一个季度，有望在2027年三季度就绪。

这并非华为首次对昇腾产品节奏进行重大更新。早在2025年，华为就罕见地公开了昇腾未来3年的技术路线图。而此次更新，进一步凸显了华为在AI芯片领域的战略布局。按照2025年公布的规划，昇腾960原定于2027年四季度上市。不仅如此，华为还首次将产品路线图延伸至2029年。汪涛透露：“2028年和2029年，华为将按计划陆续推出昇腾970、980芯片。我们将坚定地保持一年一代的演进节奏，依托τ（韬）定律的创新方向，推动算力规格持续翻倍。”

然而，在AI技术飞速发展的当下，单纯追求单颗芯片的性能提升已远远不够。随着大模型参数规模的不断膨胀，AI集群的规模也在急剧扩大，从千卡向万卡甚至十万卡迈进。在这种情况下，单颗芯片的性能已无法完全决定整个集群的有效算力，芯片之间的通信效率和系统协同能力变得愈发关键。如何降低大规模集群中的通信损耗，让更多的理论算力切实转化为有效算力，已然成为AI基础设施竞争的新焦点。

针对这一挑战，华为提出了“超节点 + 集群”的技术路径，并且这一路径目前已进入规模商业部署阶段。汪涛介绍，截至目前，昇腾910C超节点累计部署已超过1000套，昇腾950超节点也实现了规模商用。同时，他还公布了昇腾960超节点的最新进展：液冷超节点计划于2027年三季度推出，并且该超节点将首次引入NPO（近封装光学）方案。这一举措标志着华为将AI算力竞争进一步拓展至光互联等系统层面，为提升AI算力开辟了新的途径。

单颗芯片难以决定算力上限的新局面

近年来，华为多次强调超节点概念，这一技术路线背后有着深刻的产业背景。2025年华为发布灵衢（UnifiedBus）时明确表示，由于先进工艺难以获取，需要从多芯片协同方面寻求突破，期望将更多的计算资源连接在一起。这意味着，受先进工艺获取的限制，昇腾选择从系统架构层面发力，通过系统级协同调度，提升集群整体的有效算力。因此，超节点在一定程度上能够弥补国产芯片的工艺代差，成为华为提升AI算力的又一重要路径。

但“把更多芯片连接起来”并非简单的堆卡操作。随着集群规模从千卡扩大到万卡、十万卡，芯片之间需要交换的数据量呈几何级数增长。汪涛举例称，一个由8卡服务器组成的10万卡集群，在模型训练过程中，集群内通信时间超过训练时间的40%，这严重制约了MFU（模型浮点算力利用率）。换句话说，虽然芯片都在集群中，但有相当一部分时间并没有用于实际的模型计算，而是在等待数据传输。

根据华为马尔可夫实验室的仿真结果，在同样10万卡规模下，由4K规模超节点组成的集群，相比传统8卡服务器组成的集群，MFU可提升至原来的2.75倍。汪涛表示，MFU每提升1个百分点，模型迭代时间可提前约3天。这对于加速AI模型的研发和应用具有重要意义。

由此可见，超节点不仅要解决“能连接多少张卡”的问题，更要解决芯片数量大幅增加后，如何尽可能降低彼此通信成本的问题。

要实现这一目标，首先需要改变芯片之间传统的互联方式。华为给出的技术方案是灵衢（UnifiedBus），这可以理解为华为专为超节点打造的一套高速互联技术。它通过统一的互联协议，将原本分散在不同物理服务器中的CPU（中央处理器）、NPU（神经网络处理单元）、内存、存储等计算资源连接起来，并支持跨物理节点统一内存编址。灵衢技术使得不同芯片和设备之间交换数据的路径更短、时延更低，从而让数千颗芯片在逻辑上更接近“一台计算机”，大大提高了数据传输效率。

不过，要组建一台拥有数千颗NPU的“超级计算机”，仅有互联协议是远远不够的。

会上，汪涛介绍，围绕灵衢，华为目前已经开发了11颗用于超节点和超节点集群的关键芯片，这些芯片覆盖了计算、互联、存储、管理等多个方面。

从统一互联协议到计算、存储等关键芯片，华为实际上是在围绕昇腾NPU构建一整套超节点系统。而此次公布的昇腾960超节点（Atlas 960），则成为这套系统架构向下一代演进的最新载体。

据悉，Atlas 960单个超节点能够实现4096颗NPU高速互联，最大可提供8E FP8的算力。依托灵衢架构及Hi - ONE光引擎，其RTT（往返时延）最低可达2微秒（人眨一次眼约需0.1秒 - 0.3秒）。RTT即数据从一端发出、到达另一端再返回所需要的时间，对于需要频繁交换数据的数千颗NPU而言，时延越低，芯片花在“等待通信”上的时间就越少，也就能够将更多时间用于模型计算。华为称，这也是目前业界规模最大的超节点。

从单颗NPU到数千卡超节点，再到数十万乃至百万卡集群，华为追求的并非简单的芯片数量增加，而是在单芯片性能之外，通过互联和系统架构降低通信开销，让更多理论算力最终转化为模型可以真正使用的有效算力，为AI技术的发展提供更强大的支撑。

算力竞赛向光互联、存储等领域延伸

对于产业链而言，AI超节点的持续扩容意义重大，其影响不仅仅局限于NPU本身。

当数千颗AI芯片需要在同一个超节点内部进行高速通信时，互联、光器件、内存、存储、散热和供电等环节都会成为影响系统效率的关键因素。

华为此次将NPO引入昇腾超节点就是一个显著的变化。目前，大规模AI集群内部仍主要以铜缆作为高速电互联的主体。但当SerDes（串行器/解串器）速率迈入224G及以上时代，铜互联正逐渐逼近物理极限：插损、串扰与反射等信号损耗显著增加，传输距离越来越短；与此同时，数千乃至数万根高速铜缆汇聚在一个机柜内，不仅布线复杂、安装维护困难，还给散热与系统可靠性带来巨大挑战。

解决方案是进一步缩短高速电信号的传输距离，使电信号更早地转换为光信号，从而降低随着互联距离增加带来的信号损耗，并提升大规模芯片互联的带宽和效率。为此，华为研发了NPO形态光互联产品Hi - ONE。汪涛介绍：“昇腾960超节点中用5500个Hi - ONE替代原本需要的4.8万颗800G光模块，降低了超550千瓦功耗，系统无故障运行时间提升1倍。”昇腾960超节点也由此成为全球首个采用NPO技术的超节点，为AI集群的高效运行提供了有力保障。

除了“芯片之间如何传得更快”，存储也正在成为Agentic AI时代另一个不容忽视的瓶颈。

汪涛表示，随着Agent任务持续时间的延长，模型上下文长度已经快速增长至百万级。与此同时，Agent与模型的交互频次明显高于传统人机问答，每张昇腾卡对应的KV Cache可能达到TB级。

所谓KV Cache，可以简单理解为大模型在生成答案过程中需要反复调用的“临时记忆”。模型每生成一个新的Token（词元），都需要参考此前已经计算过的信息。如果这些信息每次都重新计算，速度会非常慢，因此系统会把它们暂时存储起来。然而，当上下文越来越长、Agent连续工作时间越来越久，这份“临时记忆”也会迅速膨胀。

但由于AI服务器中的HBM（高带宽内存）和DRAM（动态随机存取）容量有限，华为此次提出了多层KV缓存架构，推出基于灵衢UnifiedBus的PB级KV缓存——OceanStor M900集群。同时，M900采用混合介质加优化Retention算法，可将SSD（固态硬盘）读写寿命提升16倍。可以这样理解，华为建了一个超大、超快的“记忆仓库”M900，专门用于存储大模型的聊天记忆。它通过自研高速通道和计算芯片直连，计算芯片要查询KV缓存时，无需经过一堆交换机、路由器层层转发，可以一步到位。而且里面混用不同存储介质，还加了智能算法，让SSD寿命延长16倍，为AI模型的稳定运行提供了可靠的存储支持。

可以看到，过去市场最为关注的是GPU（图形处理器）或NPU本身。但随着大模型规模的不断扩大，决定最终有效算力的因素正在延伸至HBM、互联网络、光模块、KV Cache、SSD、液冷等越来越多的环节。AI算力正在从一场单纯的“芯片竞赛”，逐渐演变成一场系统工程的竞争，对企业的综合技术实力提出了更高要求。

而在硬件之外，生态仍然是国产算力规模商业化必须跨越的另一道门槛。良好的生态系统能够吸引更多的开发者参与，促进技术的创新和应用，推动产业的发展。

汪涛披露，目前鲲鹏全球开发者超过416万，支持560多个全球开源项目，openEuler装机量则已超过2000万套。昇腾方面，昇腾生态的根基是CANN，外部开发者数量首次超过内部开发者，占开发者总数的61%；基于昇腾 + CANN进行原生训练的模型已经超过40个。这表明华为在生态建设方面取得了显著成效，为国产算力的发展奠定了坚实基础。

这也意味着，下一阶段AI基础设施的竞争可能越来越难以用单颗芯片的参数来衡量。当集群规模迈向十万卡乃至百万卡，芯片能否高效互联、数据能否快速存取、系统能否稳定运行，以及软件生态能否让开发者真正用起来，将共同决定一套AI算力基础设施的实际竞争力。只有在这多个方面都表现出色的企业，才能在激烈的AI算力竞争中脱颖而出。

“人工智能也许是人类社会最后一次技术革命，它带来的变革之深、之广、之快，远超想象，没有任何一家公司能独自支撑整个智能世界。”汪涛表示，华为AI战略的核心是算力，未来华为将继续聚焦AI基础设施，坚持硬件变现、软件开源开放，与全球合作伙伴共同推动人工智能技术的发展和应用，为人类社会创造更大的价值。